1 INTRODUCTION

L’expérimentation permet d’évaluer la réponse induite sur une ou plusieurs variables par la
modification d’un ou de plusieurs facteurs expérimentaux. Le plus souvent on envisage de
mener une expérimentation afin de vérifier une hypothèse suggérée par des connaissances
antérieures ou des problèmes posés à l’agriculture. Il faut alors élaborer une ;Procédure de
vérification de cette hypothèse. Cette procédure comporte différentes phases parmi lesquelles
on note:
> le choix du matériel expérimental ;
> le choix des caractères à observer ou mesurer ;
k la détermination des méthodes d’observation et de mesure ;
> la détermination des critères de validation de l’hypothèse.
Les deux premières phases ne posent souvent pas beaucoup de difficultés à l’expérimentateur
car elles relèvent essentiellement du domaine de recherche considéré. Par contre. les deux
dernières exigent un certain bagage en statistique. En effet, il faudra Sav(oir comment
déterminer une méthode fiable et précise de mesures et dans quel cadre ces mesures obtenues
permettront de valider ou d’invalider l’hypothèse.
Ainsi, à l’issue de l’expérimentation une décision sera prise, mais elle sera prise dans un
contexte incertain sujet à diverses sources de variation liées au matériel expérimental utilisé.
aux conditions expérimentales (par exemple la température, la pluviométrie, l’hétérogénéité
du sol), aux erreurs de mesure etc. La décision d’accepter ou de refuser une hypothèse sera
basée alors sur un raisonnement probabilistique ou statistique. Nous voyons dés à présent
l’importance et l’enjeu de la statistique dans le domaine de l’expérimentation agricole.
Exemple
Considérons une expérimentation mise en œuvre dans le but de comparer les rendements
potentiels de deux variétés A et B d’arachide. L’hypothèse à tester consiste à dire que ces
deux variétés produisent le même rendement. L’expérimentateur, disposant de dieux parcelles
contiguës de même taille, sème cha.cune des variétés sur une des parcelles et observe que la
. variété B donne un meilleur rendement.
L’expérimentateur, à partir seulement de cette observation, ne pourra certainement pas
avancer une conclusion valable en vue de valider son hypothèse de travail. En effet cette
différence: observée pourrait très bien être due à des facteurs autres que la \.ariété, en
l’occurrence une attaque d’insectes plus marquée sur la parcelle ayant reçue la variéte A, une
plus grande fertilité de la parcelle ayant reçue B pourraient par exemple expliquer cette
différence: de rendement.
Nous voyons ainsi que 1’expérime:ntateur devra planifier son expérience de telle façon a
pouvoir décider si la difl’érence observée pouvait être attribuée à un effet de la variété ou bien
être attribuée à d’autres facteurs dits; “non contrôlés” par l’expérience
 . ,

2 PRINCIPESDE~LAPLANIFICATIONEXPERIMENTALI
Une planification expérimbntale de qualité peut être définie comme “kr ., mn de -fcwwir
I ‘effort expérimental mini/num pour la meilleure précision”, en d’autres -mes le moyen
d’obtenir des résultats préils au moindre coût.
Nous mesurons dès à prés$nt toute l’importance à devoir accorder à l’étape I la planification
expérimentale dans le prbcessus de recherche. La planification expérimi ale doit, pour
garantir la validité de l’adalyse statistique des données qui seront recueil1 1, obéir à trois
principes fondamentaux qu!z nous allons brièvement décrire.

2.1 La randomisatiob
Reprenons à présent l’exelbple précédent en considérant que nous disposon le Six parcelles
expérimentales contiguës, les trois premières recevant la variété A et les troi utres la vari&
B
gradient de fertilité

-_-.- --

Dans ce cas, une des var(étés pourrait être constamment favorisée, au poi de vue de son
rendement, s’il existe par exemple un gradient de fertilité allant de la droit à la gauche du
terrain. Pour éviter toute source d’erreur systématique en avantageant un’ des variétés au
détriment de l’autre, il nouis faut procéder à la randomisation qui est une régi J’af‘fectation au
hasard des traitements aux: unités expérimentales. Cette procédure garantit 1’ dépendance des
observations d’une unité dxpérimentale à l’autre et élimine les biais qui pel ent être induits
par une mauvaise répartitidn des traitements aux unités expérimentales.

2.2 Les répétitions

Si l’expérimentateur avait choisi de semer la même variété sur les six p celles, il aurait
quand même sûrement dbservé une différence de rendement entre ce: 3arcelles; cette
différence est due .4 une jource de variabilité appelée erreur expérimentale ui ne peut &re
estimée que s’il y a des ‘répétitions, c’est à dire affecter une même \Par é $1 différentes
parcelles expérimentales.
II est en effet nécessair: d’avoir des répétitions pour évaluer l’erreur ;périmentale et
distinguer ainsi cette eneuri de I’effe~t dG aus traitements

2.3 Le contrôle de (‘et-reuy

/
Nous venons de voir qu les r-épétitions nous permettent d’avoir une 111 11I.L‘ de I‘er-r CllI
expérimentale. Il nous fil,“1 t, pour la réduire, limiter l‘influence de ceit; 1s tàctclll-s 111)ll
contrôlés par l’expérienc&. Nous chercherons, pour cela, à constituer d< reymupenientr
d’unités exl)érimentalt>s I s plus homo~knes possible. IJne part de la \‘ar Iilité sel-a ainsi
contrôlée et l’erreur expérimentale réduite.
1
Pour un essai au champ,! on cherchera lorsqu’un gradient d’hétérogénéite
fertilité par csemple) wt r$connu à constituer dc~.s groupes de parcelles semb
/
I .,i’I ‘,iliii Cl 1;

- 3-
-
vue de leur fertilité de telle sorte que la variabilité du phénomène étudié soit plus faible entre
des unités expérimentales d’un même groupe qu’entre unités expérimentales appartenant à des
groupes différents. Les traitements seront alors répartis de manière aléatoire au niveau de
chacun de ces groupes ou blocs. Le facteur de variation lié à la fertilité du sol sera ainsi
contrôlé et l’erreur expérimentale réduite.
 . .‘. ._~_ -. <. 6. ,
l

3 PRINCIPALESETAPESDELAPLANIFICATIONEXPENMENTALE
Après une étude bibliographique permettant de procéder à l’état des conn$ssances sur le R
thème de recherche projeté, l’expérimentateur doit définir lors de la planification de son
expérience différents éléments dont les principaux sont :

3.1 La définition de l’objectif expérimental

Une expérience étant mise en place pour répondre à un certain objectif, il est nécessaire que
cet objectif soit défini de.wnière claire et concise. On conçoit aisément que la définition de
l’objectif expérimental détermine la réalisation de l’expérimentation et la natuie des mesures
qui seront relevées.
Les diverses questions auxquelles l’expérience devrait répondre doivent être formulées sans
ambiguïté et classées par ordre d’importance lorsque I’ob-iectif de l’expérience est multiple.

3.2 La définition des facteurs à étudier

Un facteur est défini par un ensemble d’éléments de même nature dont nous voulons étudie1
l’influence sur une certaine variable : chacun de ces éléments est appelé un niveau ou une
modalité du facteur.
Les facteurs à étudier constituent l’objet même de notre expérience. Ainsi leur nature doit être
définie avec précision ; le nombre de facteurs et le nombre de niveaux ou modalités de chacun
d’entre eux doivent être clairement déterminés.
Dans le cadre de notre exemple ci-dessus, le facteur étudié est la variété d’arachide. Les
variétés A et R c.onstituent les deux modalités de ce facteur.
Un traitement est défini par une combinaison des niveaux des différents facteurs étudiés. Dans
le cas où! un seul facteur serait étudié un traitement correspond à un niveau de ce facteur.
Exemple
A titre d’illustration considérons qu’on s’intéresse à l’étude de 2 facteurs : la variété d’arachide
à deux modalités (variété A et variété B) et l’engrais azoté à deux niveaux (dose Dl et dose
D2).
Chacune des 4 combinaisons des deux facteurs (ADI, AD3, BD 1 et BD2) constitue un
traitement.

3.3 La définition des conditions expérimentales

Les résultats d’une expérience peuvent être fortement intluencks par les condition5
expérimentales et, à cet effet, il es1 alors nécessaire de bien définir ces conditions.
Les conditions espér-imentz/les peuvent êlre pal- exemple dans le domaine
d’implantation de I’expérieilce (en staticiri, en milieu p a y s a n ) , les sources
potentielles sur le site (exisience de gadient de fertilité & de salinit&), le pr&/édent cultural.
les techniques culturales etc.’
 3.4 La définition des unités expérimentales
L’unité expérimentale est l’élément recevant le traitement et sur lequel porteront les
observations. Suivant le cas considéré, elle peut être une parcelle, un groupe d’arbres, un
arbre, une feuille, un animai ou un lot d’animaux.
Dans le cadre de l’exemple 3.2, une parcelle sur laquelle sera semée une des variétés et
recevant une des deux doses d’engrais définit une unité expérimentale.
Nous concevons facilement l’intérêt d’une définition précise de la nature, la forme et la taille
de l’unité expérimentale lors de la planification. Le nombre d’unités expérimentales devra
aussi être précisé. *_

3.5 La définition des mesures et observations

Des mesures ou observations seront réalisées au niveau de chaque unité expérimentale. Ces
mesures ou observations sont les valeurs de variables, dites variables d’étucle, prises sur
l’unité considérée.
Les variables peuvent être réparties, suivant les valeurs qu’elles peuvent prendre, en variables
quantitatives et qualitatives. Nous distinguons, parmi les variables quantitatives., les variables
de nature :
k continue, par exemple le poids, le rendement, la hauteur ;
*k discrète, par exemple le nombre d’épis, le nombre d’insectes.
+ Parmi les variables qualitatives, nous distinguons les variables de nature :
i- ordinale, c’est à dire celles qui permettent de classer les individus. Une variable qui
prend les valeurs faible, moyen et fort est une variable qualitative ordinale ;
‘F nominale (à plus de deux modalités), par exemple la couleur, la variété cultivée ;
2; binaire (nominale à deux modalités), par exemple les variables qui prennent les
valeurs oui/non ou présence/absence d’un caractère ;
11 est bien évident que. la nature des mesures ou observations à réaliser est étroitement liée à
l’objectif expérimentai. Les méthodes et analyses statistiques porteront sur ces dernières et, de
ce point de vue, ii est important de réaliser ces mesures ou observations avec le plus grand
soin.
Lorsqu’une mesure ou observation devrait être réalisée par échantillonnage, le plan
d’échantillonnage devrait être défini avec toute la précision requise.

3.6 Le choix du dispositif expérimental

Le choix du dispositif expérimentai se fait en fonction de l’objectif projeté, de la structure el
du nombre de facteurs à étudier et. des conditions ou contraintes expérimentales Quelque~
dispositifs expérimentaux classiques sont brièvement présentés ci-dessus

3.61 Le dispositif en rflndoniisntion totale

IJn dispositif est dit en randomisation totale ou complètement randomisé lorsque les
traitements sont affec.tés de manière totalement aléatoire aux différentes unités
expérimentales.

,-~ ._.. - _.-. .- --_-_-__,_-/ - - - - ----.----

Le choix d’un tel dispositif est adéquat lorsque les unités expérimentales s .nt relativement
homogènes et s’adapte bik au cas où le nombre de répétitions par traitem nt { ne serait pas
constant. I
/
Du fait de la variabilité du! matériel expérimental en agronomie, ces dispositi s sont rarement
utilisés. En effet, iorsqu’dn dispose d’informations a priori sur l’hétérogé Iéité des unités
expérimentales, on gagner+it en prkcision en constituant des groupes d’unité4 expérimentales
(blocs) assez homogènes e$tre elles. 1
j
3.6.2 Le dispositif en bldcs complets rnndomisk
Un bloc peut être défini pai un groupe d’unités expérimentales homogènes. /
Un dispositif expérimental’ est dit en blocs aléatoires complets lorsque les 1 raitements sont
aléatoirement affectés aux {unités expérimentales d’un même bloc. !
La constitution des bloc4 doit ainsi être réalisée de manière à ce que lb variabilité du
phénomène étudié soit plut faible entre unités expérimentales d’un même bioq qu’entre unités
expérimentales appartenant à des bllocs différents. La constitution judicieuse! des blocs exige
ainsi une disposition d’infoi-mation a priori.
I
Avec des critères pertinents pour la constitution des blocs, ce dispositif pen et de contr6ler
l’hétérogénéité du milieu dxpérimental et de réduire alors l’erreur expérimer rtale II est ainsi
plus effkace que le plan coknplètement randomisé.

3.6.3 Le dispositif en sadit plot

/
Le split plot ou dispositif ,en blocs complets avec parcelles divisées Correspo/nd à un plan en
blocs avec deux facteurs étudiés dont les niveaux sont affectés aux unités expbrimentales d‘un
bloc par étapes : I
1. on commence par subdiviser chaque bloc en autant de sous blocs que dei niveaux de l’un
des facteurs (facteur dit secondaire), les niveaux de ce facteur sont aloi c IS aléatoirement
affectés aux sous blocsid’un même bloc. j
2. puis on aflecte, aléatoirement les niveaux de l’autre facteur (facteur dik prkipal) aux
unités expérimentales die chacun des sous blocs.
Les comparaisons relatived au facteur secondaire seront moins précises que c$l,les relati\res au
facteur principal. L’inconkénient du dispositif en split plot réside dans cftte dissymétrie
introduite entre les deux fabteurs.
L’utilisation de ce disposi/if se justifie par exemple lorsqu’il existe des cont@intes pratiques
liées à la répartition aléatoire des traitements à l’intérieur d’un bloc ou lorsciu’on s‘intéresse
plus particulièrement à l’un des deux facteurs et/ou à l’interaction entre ces facteurs

au sein des blocs. ,,II eftèt, la taillt:

des blocs dépendant du jnombre de traitements, l’homogénéité des rmité~ expérimentale:;
constituant un bloc com let équilibré est rapidement compromise lorsqu$ Ic nonibrc dt:
4
traitements devient élevé. ;En outre, nous nous trouvons quelquefois dans kmpossibilité de
constituer des blocs dans Iksquels tous les traitements sont présents. La solut’on
i sera alors de
constituer des blocs mcom iets c’est à dire des blocs ne comportant qt~‘une c$tame partie de:;
traitements étudiés.

- 0 -
 Un plan en blocs incomplets est dit équilibré lorsque chaque couple de traitements est présent
un même nombre de fois dans un bloc. Il est dit binaire lorsqu’un traitement est présent au
plus une fois dans chaque bloc. La plupart des plans incomplets utilisés en expérimentation
agricole sont en blocs incomplets équilibrés binaires.
Lorsqu’on se limite au cas où chaque bloc comporte le même nombre d’unités expérimentales
et les traitements sont répétés un même nombre de fois, un dispositif en blocs ircomplets
équilibrés binaires vérifie :
pr=bk
h=r(k- l)/(p- 1)
p désignant le nombre de traitements, r le nombre de répétitions, b le nombre de blocs, k le
nombre d’unités expérimentales par bloc et h le nombre d’occurrences d’un couple de
traitements dans un même bloc.
Le dispositif en lattices carrés équilibrés est un dispositif avec un réseau de blocs incomplets
(bloc ligne et bloc colonne) tel que :
k la taille des blocs incomplets est la racine carrée du nombre de traitements.,
k les blocs peuvent être regroupés pour former des répétitions complètes (répliques) où
chaque traitement est présent une fois et une seule,
> le nombre de répliques est égal à un plus la racine carrée du nombre de traitements,
k chaque couple donné de traitements se retrouve une fois et une seule dans un bloc
ligne et aussi une fois et une seule dans un bloc colonne.
Ainsi pour disposer un essai en lattices carrés équilibrés, il est nécessaire ‘que le nombre de
traitements soit un carré parfait.
Exemple : Plan en lattices carrés équilibrés 3 x 3 avec p=9, k=3,1=4, b=12

Réplique 1 Réplique 2 Réplique 3 Réplique 4

Avec un nombre de traitements T = TO (To+i), nous pouvons constituer un dispositif en

lattices rectangulaires, chaque réplique comprenant (TO +l) blocs de taille To. Da.ns ce cas, un
couple de traitements se retrouvera au plus une fois dans un même bloc.

3.7 La détermination du nombre de répétitions

Nous notons souvent un manque de critères objectifs dans la détermination du nombre de
blocs et du nombre de sites d’un essa.i multilocal.
Le nombre de répétitions devrait être déterminé par la précision des résultats que l’on veut
obtenir avec une certaine probabilité en fonction de l’objectif de recherche poursuivi et de la
variabilité du matériel expérimental à utiliser. Nous pouvons utiliser des résultats

-7-

,_” ._.. .---

..----
-_ < ^--,s-,
- ---
mm-m-------
 L

expérimentaux antérieurs OP, organiser des essais préliminaires pour avoir une ‘déc a priori de
i
la variabilité du matériel experimental.

3.8 La détermination, de la méthode d’analyse statistique

Il est fort utile d’envisagdr, dès la planification de notre expérience, la oJ les méthodes
adéquates d’analyse statistique des données qui seront collectées. Les prin ipaux facteurs
susceptibles d’orienter ce c/hoix sont l’objectif poursuivi, la nature des donné k s à analyser et
les propriétés des méthodesjstatistiques à utiliser.
Le protocole expérimental devr,ait ainsi, présenter une définition dbs hypothèses
expérimentales à vérifier, - pes paramètres à estimer, des méthodes Statistiq/ues qui seront
utilisées et une brève descn$tion des tableaux de résultats qui seront obtenus. ’I
Ces divers éléments pas& en revue constituent les principaux élément4 du protocole
expérimental. Nous proposdns en annexe un canevas de protocole expérimental/
/
5 L'ANALYSE DELA VARIANCE

5.1 Principes de l’analyse de la variance

La comparaison de différentes populations est un des problèmes les plus courants de la
statistique. Le but principal de l’analyse de la variante (Anova) est de comparer les moyennes
de plusieurs populations vérifiant certaines conditions à partir d’échantillons prélevés dans ces
populations.
Considérons que lors d’une expérience, nous nous intéressions à l’étude sur n unités
expérimentales, des variations d’une variable y (rendement par exemple) en fisnction d’un
facteur étudié composé de 1 modalités bien définies (variétés par exemple) ; les modalités du
facteur étudié sont affectées de manière aléatoire aux unités expérimentales.

Une telle expérience peut être modélisée par l’équation suivante :

yij = p + O$ + Eij, avec Eij - iidN(0, &, C ai=0
i= l,..., I;j=l,,.., n;;n=Cini
yij étant la valeur de la variable aléatoire y observée sur la J4m’ unité recevant le traitement i ;
p est la moyenne générale ; ai , appelé l’effet du traitement i, est l’écart entre la moyenne du
traitement i et la moyenne générale ; et Es est l’erreur résiduelle.
Afin de procéder à la comparaison des moyennes des traitements nous allons confronter, à
partir des données observées, l’hypothèse nulle HO qui consiste à affirmer qu’il n’y pas d’effet
dû aux traitements (c’est ,A dire que les traitements sont identiques) et l’hypothèse alternative
HI qui revient à dire que les traitements ne sont pas identiques.
On peut montrer qu’on obtient l’expression suivante :

Ceci montre que la variation centrée des observations est la somme de la dispersion due aus
traitements (SCM) et d’une dispersion aléatoire (SCR). Ces sommes de carrés d’écart seront
utilisés dans le test de Ho contre HI.
En effet, on montre que, si Ho est vraie, le rapport
1,‘ - :p4 /u -- 1)
SC ‘I-? I(?I -- I )
suit une loi de Fisher F(I-l, n-l).
On calcule alors la proba ilité SOU~ 110 qu’un F(I-I, n-l) dépasse la valeur- F!calculée et cette
valeur sera ensuite campa k ée au seuil TX fixé.
Si cette probabilité p est/ inférieure à a, l’hypothèse Ho est rejetée : on dit alors que les
traitements sont signifïcatidement différents au seuil Q.
Si la probabilité p est supéi-ieure à ci, l’hypothèse Ho est acceptée au seuil cy.. ~
5.2 Analyse de la variance à un facteur étudié
5.2.1 Anovn ri un facteur en rmdonùsntion totale
Le tableau d’analyse de la variante à un facteur en randomisation totale se presente comme
indiqué ci-dessous :

Tableau Anova à un facteur en randomisation totale

Source Somme des Carré F
variation carrés moyen
.-
Traitement SCA CM1 CMAKM
R
.-
Résiduelle SCR CMR I

t : nombre de traitements ; n : nomb,re d’unités expérimentales

L,‘hypothèse d’égalité des traitements sera rejetée au niveau a lorsque le rapport CMAKMR
dépasse la valeur 6-1 ,n-La lue sur la table de la loi de Fisher.
Exemple : Etude de l’effet de 3 formulations fongicides sur rendement en gousses d’arachide
Pour comparer les effets de 3 formulations fongicides sur le rend’ement en gousses d’arachide.
nous disposons de 12 parcelles expérimentales et chacune des formulations e:st affectée de
manière aléatoire à 4 de ces parcellles. Il s’agit ainsi d’étudier un facteur à 3 niveaux avec un
dispositif expérimental en randomisakion totale.
Nous presentons ci-dessous les résultats de l’analyse des données réalisée avec le logiciel
Genstat 5.

***** Analysis of variante *****

Variate:: Rendement

Source of variation d.f. S.S. m. s, v.r. F pr.

Formulat:ion 2 149447. 14123. 0.40 0.684.

Kesidual.. Y 1698300. 185700.

Total 11 1847746.

d.f = nombre de degrés de liberté ; s.s. = somme des carrés ; m s. = somme des carrés moyens
v.r. = rapport des variantes = rappo:rt des carrés moyens (F); F pr = p

L’examen du tableau d’analyse de variante permet de noter que :

F = 0.40 et PIro(F(2,9) > 0.40) = 0.684
On en déduit alors que l’hypothèse d’équivalence des formulations ne sera pas rejetée au seuil
5%, ce qui revient à dire qu’il n’y a pas d’effet significatif de la formulation fong;icide sur le --
rendement en gousses d’arachide.

5.2.2 Anovn & un facteur dans un dispositif en blocs aléatoires complets

Un tableau d’analyse de la variante d’un plan à un facteur étudié en blocs aléatoires complets
a la présentation suivante :

i’ableau Anoyo d un facteur en blocs aléatoires complets

Source de Degrés F
variation liberté
Traitement t-1 CMAKM
R
Bloc r-l CMWCM
R
Résiduelle (t- l)(r- 1)

t : nombre de modalités du facteur étudié ; r : nombre de blocs

Le résultat du test des effets blocs ne doit être pris en compte qu’à titre indicatif. En effet.
l’essai n’a pas été réalisé pour tester l’équivalence des blocs. Mais ce test permet de vérifier si
les blocs ont été judicieusement constitués c’est à dire si le contrôle par les blocs de
l’hétérogénéité du milieu expérimental a été effkace.
Exemple : Comparaison de l’effet de 10 variétés sur le rendement du mil
II s’agit d’un essai dont l’objectif est de comparer 10 variétés de mil. Le dispositif
expérimental est en blocs aléatoires complets (3 blocs) et la variable observée est le
rendement de la culture. Les résultats de l’analyse des données sont présentés ci-aprks.

+**** Analysis of variante *****

Variate: Rendement

Source of variation d.f. S.S. m.s. v.r. F pr.

Bloc.+Units* stratum
Varieta
Residual
Total

1 f- teqt associé a u fprterrr Variéti31 n o u s cnr~driit à afiirmèr qu’il euiste ‘dec dif‘férence~
significatives au seuil 5% entre les rendements des ditErentes variétés.

- 16-
Nous remarquerons que Genstat ne fournit pas explicitement la probabilité associée au test
d’absence d”effet bloc. Ainsi si nous nous intéressons au test de l’effet bloc, nous devrions
comparer la valeur du F correspondant à la valeur seuil donnée par une table de Fisher.
On lit sur une table de Fisher la valeur f(2;18;0.05) = 3.55 et comme 1.89 53.55, on en déduit
l’absence d’effet bloc au seuil 5%1. On peut ainsi dire que les blocs n’ont pas permis de
contrôler de manière efficace l’hétérogénéité du milieu.

5.3 Analyse de la variante à deux facteurs étudiés

Avec deux facteurs étudiés, il faut tout d’abord s’intéresser au test de l’interaction. Si.
l’interaction n’est pas significative on peut tirer des conclusions sur les effets principaux des
deux facteurs. Par contre lorsqule l’interaction est significative il ne faut pas conclure
directement. Il faut dans ce cas examiner les résultats de plus près car l’interprétation peut
devenir ,plus complexe. Une représentation graphique est souvent fort utile pour une
interprétation correcte des résultats.
Exemple
Considérons un essai dont le but est d’étudier l’effet de 2 facteurs, la variété et la dose
d’engrais, sur le rendement d’une culture. Les graphiques suivants présentent difrérents cas de
figure possibles.

Dl D2 D3

Figure / : Absence d ‘irlteraactim

Nous pouvons noter d’après la figure 1 que l’écart entre les 2 variétés est iddépendant de la
-.
dose d’engrais ; ce qui revient à dire qu’il n’y a pas d’interaction entre les 2 facteurs.
D’après les figures 2 et 3, on relève que les différences entre les variétés varient en fonction de
la dose d’engrais utilisée. On dit alors qu’il y a une interaction entre les 2 facteurs
Dans le cas présenté par la figure :2, l’interaction a pour effet d’amplifier les différences entre
les 2 variétés tout en conservant l’ordre des moyennes. Le test des effets dose et variété
présente alors un intérêt.
Dans le cas présenté par l#a figure 13, l’interaction a pour effet d’inverser l’ordre des moyennes
des variétés. Le test global des effets principaux des 2 facteurs perd son sens dans ce cas.

5.3. I Anova à deux facteurs en randontisation totale

Le tableau d’analyse de la variante à deux facteurs étudiés dans un plan +n randomisation
totale se présente comme indiqué ci-dessous :
Tableau Anova à 2facteurs en ram’omisafio~~ totale

F;nrrcrA variation
_ 1 Degrés:; liberté 1 Carz;;yen 1 CMjICm -1

/
’ Résiduelle 1 IJG:-l) / Cm /
I et J respectivement nombre de modalités des facteurs A et B ; r : nombre de répétitions

Exemple : Influence de différents régimes alimentaires sur la croissance pondéfale

11 s’agit d’une expérimentation dont. le but est d’étudier l’effet de deux facteurs, le supplément
de vitamine B12 et le supplément d’antibiotique sur la croissance pondérale du porc. Chacun
des deux facteurs a 2 niveaux (supplément, pas de supplément). Chacuri des 4 régimes
alimentaires ou traitement est apporté quotidiennement à un lot de 3 animaux choisis de
manière aléatoire et le gain moyen quotidien de chaque porc est relevé à l’issue de
l’expérience. Les résultas de l’analyse de la variante sont présentés ci -après :

+**+* Analysis of variante *'++*

Variate: GMQ

Source of variation d.t. S . S . m. s. V.L. F pr.

Antibiotique
Vitamine
Antibiotiyue.Vitamlne
Residual
Total
 L’examen de ces résultats nous permet tout d’abord d’affirmer que l’interaction des 2 facteurs
étudiés est très hautement significative. L’existence d’une telle interaction signifie que
l’influence du supplément d’antibiotique est fonction du supplément de vitamine.
L’observatïon du graphique suivant permet d’avancer que la réponse au supplément
d’antibiotique est fortement marquée en présence du supplément de vitamine alors qu’elle a
même une tendance négative en son albsence.

Vitamine
+ O m g
+5mg
r
0,50
-i
0,oo l-
Of-w 40mg
Antibiotique

5.3.2 Anova à deux facteurs étudiés dans un dïspositif en blocs aléatoires complets
Un tableau d”analyse de la variante d’un plan en blocs aléatoires complets â. deux facteurs
étudiés a la présentation suivante :
Tableau Anova à 2 facteurs en blocs aléatoires complets
Degrés de liberté Carré moyen
I-l CM1
J-l CM2
~-
(1- l)(J,- 1) ; CM1 - -
r-l CMB cm3/cMR ;
I
(r- l)(IJ-1) CMR

1 : nombre de niveaux du facteur 1 ; J : nombre de niveaux du facteur 2 ; r : nombre de blocs

Exemple : Etude de l’influence de l’application de différentes doses d’engrais azoté à des

variétés de riz, sur le rendement de la culture
11 s’agit d’un essai disposé en 3 blocs aléatoires complets dont l’objectif est de comparer
l’influence sur le rendement du riz de 5 traitements ( 4 doses d’engrais azoté et le témoin sans
engrais) appliqués à 3 variétés de riz.
Le tableau suivant présente les résultas de l’analyse de la variante réalisée sur le rendement.
-.---Qn en déduit _2 facteurs n’est pas signiGcativc. En outre, l’application
.-- que l’interaction entre Ics -~-_
dtt~i.,~,. tic, i’ firlio~~ ~>II Iriiotrlétt,rt ISlLl. ‘.Yrricr 2001

- 19-
d’azote a un effet très hautement significatif sur le rendement du riz et les différenc’es entre les
rendements des variétés de riz sont significatives.

***** Analysis of variante *****

Variate: RENDEMENT

Source of variation d.f. S . S . m.s. V.Z. F pr.

BLOC stratum 3 2.5998 0.8666 5.73

BLOC.*Units* stratum

VARIETE 2 1.0528 0.5264 3.48 0.040

AZOTE 4 41.2347 10.3087 68.15 <.0x31
VARIETE.AZOTE 8 2.2907 0.2863 1.89 0.087
Residual 42 6.3528 0.1513

Total 59 53.5309

5.3.3 Anova ci deux facteurs dans un dispositif en salit plot

Un tableau d’analyse de la variante à deux facteurs étudiés dans un dispositif en split plot a la
présentation suivante :

Tableau Anova à 2 facteurs en split plot I

Source de variation
Facteur 1
Bloc
Résiduelle 1
Facteur 2
Interaction I (WJ-1) / CM9 I CMIKMR2
Résiduelle 2 / I(J-l)(:r-1) 1 , CMR2 1

1 : nombre de niveaux du facteur 1 ; J : nombre de niveaux du facteur 2 ; r : nombre de blocs

Exemple : Etude de l’effet de la fertilisation et de la variété sur la production du sésame

II s'agit d’un essai réalisé en vue d’étudier deux facteurs la variété (5 variétés) $t la fertilisation
(2 niveaux de fertilisation dose de fertilisation et témoin non fertilisé). Le ispositif mis en
place correspond à un split plot avec 3 blocs. La variktk est en grandes par’celles et la
fertilisation en petites Parce/lles. d
L’examen des résultats prébentés ci--dessous nous permet de dire que Pintera
facteurs variété et fertilisa$on n’est pas significative. De plus, l’effet de la
rendement est significatif et il existe des différences très hautement
rendements moyens des 5 variétés de sésame.

- 20 - l
***** Anal,ysis of variante *****

Variate: RENDEMENT

Source of variation d.f. S.S. m.s. v.r. F pr.

BLOC stratum 2 536569. 268285. .21.14

BLOC.YZ?R rtratum
VAR 4 810515. 202629. 15.96 <.OOl
Residual 8 . 'P1541. 12693. 1.29

BLOC.VAR.TRAIT stratum
TRAIT 1 97322. 97322. 9.85 0.011
VAR.TRAIT 4 69331. 17333. 1.75 0.214
Residual 10 98769. 9877.

Total 29 1714048.

5.4 Les méthodes de compawaison des moyennes

L’analyse de la variante nous petmet de procéder au test de l’hypothèse ~d’égalité des
traitements. Lorsqu’à l’issue du test on décide de rejeter cette hypothèse, c’est à dire qu’on
déclare qu’il existe des différences significatives entre moyennes des traitements, il convient
alors de déterminer, parmi celles-ci, celles qui sont significativement différentes.
II existe différentes méthodes de comparaison des moyennes qui nous permettent de répondre
à cette question. Mais il faut noter dès à présent qu’elles ne se valent pas toutes : le choix de
l’une d’entre elles sera ef%ectué judicieusement en fonction de l’objectif expérimental poursuivi
et de la nature des traitements étudies.
Par raison de commodité,, on se limitera dans la suite au cas où les traitements sont répétés un
même nombre de fois (plan équilibré)

5.4.1 La. mithode de la plus petite différence sinnificntise

Lorsque l’hypothèse d’égalité des p traitements est rejetée, le test de Student nous permet de
tester l’égalité des moyennes de deux traitements i et i’ à l’aide de l’expression :

avec Y; et Y,, les moyennes respectives des traitements i et i’ ; 6,’ et cF;i les estimations des
variantes respectives des 2 traitements et n le nombre de répétitions

En considérant l’hypothèse d’égalité de la variante des traitements, cette expression devient :

 avec ô 2 l’estimateur de la vhriance commune des traitements.
On calcule l’expression :

ppds = tl-a/2 &?-Ïk

et l’hypothèse d’égalité des 2 moyennes sera rejetée si la valeur observée de la I ifférence entre
ces moyennes est supérieure ou égale à cette quantité appelée plus pt :ite différence
significative (ppds).
Cette méthode est largement utilisée: en expérimentation agricole à cause de I I simplicité de
, I+F en œuvre. Mais, il faut noter qu’avec p traitements, il existe p(p-1)/2 c( npa.raisons de
moyennes 2 à 2 qui peuvent ainsi être réalisées et donc autant de tests Tégalité de 2
moyennes. Le risque de Ière espèce de chacun de ces tests étant égal au niveau le signification
a considéré, le risque global de Ière espèce, c’est à dire la probabilité de cons Iérer à tort au
moins une différence de moyennes comme significative peut être beaucoup plus nportant
De ce point de vue l’utilisation de ce test n’est pas toujours appropriée. Elle est Yautant moins
appropriée que le nombre de traitements étudiés devient élevé.
Exemple :
Une expérimentation est menée afin de comparer le poids de 1000 grains de 10 rlari&és de mil
dans un dispositif expérimental constitué de 3 blocs aléatoires complets. 1 analyse de la
variante a mis en évidence un effet variétal significatif au seuil de 1%. Nous iipouvons alors
procéder à la comparaison multiple des moyennes.

6 2 = 0.22 ; nombre de degrés de liberté de la résiduelle = 18 ; tld = 2.101 aw a z= 0.05 ;

La valeur de la ppds est égale à 0.8046.
Les moyennes sont rangées ci-dessous par ordre décroissant. Les moyenne: suivies de la
même lettre ne sont pas significativement différentes.
no = 8.37 A
V.5 = 7.87 AB
V1 = 7.23 HC
v9 = ‘7.13 BC
v2 = ,7 . 1 0 BC
Vl = 6 .97 c
v4 = 6.93 <-
V8 =* 6.90 L
V6 = 6.87 c
v3 = t; . 6 2; n

X4.2 La méthode de Bon erroni

La méthode de 13onferroni 1 ermet de tester toutes les comparaisons 2 à 2 de moyennes des
traitements tout en contrôlar :t le risque global de lirL. espèce a. Pour cela, chacn I des tests sera
réalisé avec un niveau de sigl,b ification cx’ :
a’<2a/p(p-1),
p étant le nombre de traitem$nts étudiés.
Il faut souligner que cette m$hode est assez conservative si p est élevé. I
--..._-_~ ~..._, -.
i!c'liC/ .t't, /Ol.lll(iiir:~.
La comparaison des moyennes de l’exemple précédent en utilisant la méthode de Bonferroni
nous fournit les résultats suivants :
ppds Bonferroni = 1.48

VI0 = 8.37 A
V5 = 7.87 A B
VI = 7.23 A B
V-3 = 7.13 A B
V2 = 7.10 A B
V7 = 6.97 A B
v4 = 6.93 A B
V8 = 6.90 A B
V6 = 6.87 B
V3 = 6.63 B
Les moyennes suivies de la même lettre ne sont pas significativement différentes.

5.4.3 La méthode de Newman et Seuls

L’amplitude d’un groupe de moyennes est définie par la plus grande différence entre 2
moyennes de ce groupe. Le principe de la méthode de Newman et Keuls repose sur la
comparaison des amplitudes des groupes de k (k i p) moyennes à la plus petite amplitude
attendue à un niveau de signification donné.
Un groupe d,e k moyennes est déclaré hétérogène, c’est à dire qu’il existe des difErences entre
les moyennes constituant ce groupe, si l’amplitude dk du groupe est supérieure ou égale à la
plus petite amplitude significative (ppas) relative à un groupe de k moyennes qui est définie
par :

ppas(k) = 411X &’ ln ,

qla étant le quantile d’ordre a de l’étendue au sens de Student.
La mise en oeuvre de cette méthode commence par la détermination de la ppa:s relative à p
moyennes et la comparaison de l’amplitude observée des p moyennes à cette valeur.
Si l’amplitud’e observée ne dépasse pas la ppas, 6n dira alors que les p moyennes ne sont pas
significativement différentes.
Lorsque l’amplitude observée est plu.~ grande que la ppas relative à p moyennes, on comparera
successivement l’amplitude des diffiirents groupes de (p-l) moyennes, (p-2) moyennes, etc
avec la ppas correspondante jusqu’à ce que l’amplitude observée d’un groupe soit inférieure a
la ppas relative à ce groupe. Les moyennes constituant ce dernier groupe sont alors déclarées
non significativement différentes.
Exemple : Comparaison des moyennes des variétés par la méthode de Newman et Keuls au
seuil 5%

-_
3 4 5 6 7
0.9'7 1.07 1.14 1.20 1.25
-_
VlO = 8.31 A
V5 = 7.87 A B
VII. = 7.23 IB
v9 = 7.13 B
v2 = 7.10 B
v7 = 6.97 IB
V4 = 6.93 B
V8 = 6.90 B
V6 = 6.87 B
v3 = 6.63 il3

5.4.4 La méthode de Dunnet

La méthode de Dunnet est une méthode de comparaison particulière en ce sens qu’elle ne
porte que sur certaines comparaisons 2 à 2 de moyennes, la comparaison des (p-l) traitements
à un traitement témoin. L’utilisation de cette méthode suppose ainsi la presence d’un
traitement témoin (traitement de référence).
Un traitement sera déclaré significativement différent du témoin si l’écart entre la moyenne du
traitement et celle du témoin est supérieur ou égal au plus petit écart significatif défini par :

dl-dz Jn
dl-dz est une valeur lue sur la table de Dunnet.

---._-
.-I lelic,/ ,r,,, c i{iC.

-24 -
 Exemple :
La variété VlO est en fait utilisée comme variété témoin dans cet essai. Ainsi nous allons
comparer, par la méthode de Dunrnet, la moyenne du poids de 1000 grains des 9 variétés à la
moyenne de la variété témoin.
ppes au seuil de 5% = 1.13

I
-ti6 16.87 1

Nous distinguons ainsi deux groupes de variétés :

k les variétés qui sont non significativement différentes du témoin
p les variétés qui ont un poids moyen de 1000 grains significativement inférieur au
poids moyen du témoin.

5.4.5 La méthode dis contrastes

Un contraste est une combinaison linéaire des moyennes des traitements telle que la somme
des coefficients linéaires est nulle. Deux contrastes sont dits orthogonaux si la somme des
double produits des coefficients linéaires est nulle.
La méthode des contrastes permet de tester la nullité de contrastes orthogonaux définis avant
la réalisation de l’expérience. Chaque test de nullité d’un contraste correspond à une
comparaison particulière bien définie.
On peut montrer que la somme des carrés des écarts factoriels se décompose en une somme
de (p-l) sommes de carrés d’écarts correspondant à (p-l) contrastes orthogonaux. Ainsi le test
de nullit& d’un contraste revient à un test de signification de la somme des carrés des karts
correspondant.
Exemple:
On s’intéresse à la comparaison de l’effet de 2 nouveaux produits insecticides utilisés à .:
doses difFérentes sur la production du niébé. Deux autres produits serviront de référence. Neut
traitements seront ainsi étudiés dans un dispositif expérimental constitué de 4 blocs complets
équilibrés.
I,es traitements sont les suivants :
TO : Témoin absolu ; Tl : Produit FI1 à la dose 1 ; T2 : Produit Pl à la dose 2 ; 1’3 : Produit P 1
à la dose 3 ;, T4 : Produit P2 à la dose 1 ;T5 : Produit P2 à la dose 2 ; T6 : Produit P3 à la dose
- - -; ; T7 : Produit
.-- de référence Rl ; 1‘8 : Produit de référence R2. ------.---
.A il,.‘. I’r cfeJ;wmation L’; “<‘*.. ‘:, ,._, ISR.4, FA.rit’r II:

-25 -

. ~ 1 ~ _ . . , . < - - - - ~ - - . - - - - - - - , - - . - . - - _ ~ - - . . _ . - _ c _
- - - -
 . i

lr

Le tableau suivant présente le test de nullité de 9 contrastes orthogonaux.

l-0
-

MOYENNES DES S.C.E. -F PROBA C O E F I CIENTS

+ AS$OCIEE TO Tl T2 T3 ’ 4 T5 T6 T7 T8
1467.77 1892.69 641970.63 7.33 0.0119 8 -1 -1 -1 -1 -1 -1 -1
1693.51 2116.25 107e275.63 12.25 0.0019 0 1 1 1 -1 -1 0 0
.1904.88 1856.13 14262.47 0.16 0.6920 0 1 1 1 1 1 -3 -3
1846.20 1866.05 7881.04 0.01 0.9223 0 0 0 0 0 0 1 -1
1811.38 1634.57 83355.35 0.95 0.3408 0 -1 2 -1 0 0 0 0
2230.40 2059.18 78 177.86 0.89 0.3567 0 0 0 0 2 -1 0’ 0
1693.70 1575.45 27966.13 0.32 0.5837 0 1 0 -1 0 0 0 0
1987.18 2131.18 41467.78 0.47 0.5046 0 0 0 0 0 -1 0 0

Le test de nullité du ler contraste correspond à la comparaison des différa n Its produits au
témoin absolu. Nous notons ainsi que les produits insecticides ont un effet ::;‘g snificatif sur la
production de graines.
Aussi, on peut affirmer que le produit P2 assure une production plus élevée ql t : le produit Pl.
Par contre, il n’y pas de dijfférence significative entre les nouveaux produits e : les produits de
référence.

5.4.6 La méthode des pojlynômes orthononaax

Lorsque les traitements sont de nature quantitative, il est plus judicieux d’étuc er l,a courbe de
réponse aux traitements. Ce problèlme ne relève pas des méthodes de compas isolas multiples
des moyennes des traitements mais de la méthode des polynômes orthogor .ux qui permet
d’ajuster une fonction polynomiale au phénomène observé. Son principe st ‘basé sur la
détermination de contrastes orthogonaux correspondant chacun à un polyni ne (d’un certain
degré donné. La somme des écarts due aux traitements sera alors décompos : en différentes
sommes des écarts relatives à des polynômes de degré 1, de degré 2, et et: le test de
signification de ces différentes composantes sera réalisé.
Des tables nous donnent les coefficients des polynômes orthogonaux dans le ( :a s particuher ou
les niveaux du fàcteur quantitatif sont équidistants..
Exemple :
On s’intéresse à l’étude db l’effet de la densité sur le rendement d’une \‘.a été de riz. Le
dispositif expérimental est1 en blocs complets randomisés (4 blocs) avec 6 ( :nsités étudiée:;
(25, SO, 75, 100, 125 kg’ha).
Nous pouvons donc tester 5 polynômes orthogonaux. II n’est toutefois p,;t‘i ; nécessaire de
procéder au tc;,t UL:> diff&nts polynimc~. >;U~S wus limitoiis ici iiu test dr: igmficaiioll CL.>
:S

polynômes de degré I 3.

- 26 -
***** Analysis of variante *.lr***

Variate: Rendement

Source ,of variation d.f. S.S. m.s. v.r. F pr.

Bloc 3 .820401. 606800. 5.06

Densité 5 2447293. 489459. 4.08 0.01.5

Linear 1 1806750. 1806750. 15.06 0.001
Quadratic 1 362217. 362217. 3.02 O-10.3
Cubic * 1 46851. 46851. 0.39 0.541
Deviations 2 231474. 115737. 0.96 0.40.3
Residual 15 1799314. 119954.

Total 23 6067008.

***** Tables of means *****

Variate: Rendement

Grand mean 4885.92

Densité 25.00 50.00 75.00 100.00 125.00 150.00

5124.00 5070.25 5304.25 4847.75 4591.00 4378.25

L’examen du tableau d’analyse de la variante nous permet de dire que la densité a un effet
significatif sur le rendement en riz. De plus, l’utilisation de la méthode des polynômes
orthogonaux permet d’avancer que l’effet linéaire est significatif et que les effets quadratiques
et cubiques ne sont pas significatifs. Nous dirons que l’ajustement linéaire de la réponse du riz
a la densité est significatif L’équation linéaire suivante :
y = -6.4 x +5448.2
décrit la relation entre le rendement y et la densité x.

100
Densité (kglha)

l..---.. -.-- .- ----.-----~~-

- 27 -
5.5 Validation des hypothèses de l’analyse de la variante
NOUS avons étudié brièvement le modèle linéaire et plus particulièrement le m~&$e d’analyse
de la variance qui repose sur les hypothèses suivantes :
9 indépendance des variables al’éatoires résiduelles
9 normalité des variables aléatoires résiduelles
9 égalité de la variante des variables aléatoires résiduelles
9 absence d’interaction traitement x bloc
Pour s’assurer de la validité du modèle et ainsi de l’interprétation des résultats, il est nécessaire .
de procéder à la vérification de ces hypothèses. L’analyse des résidus permet de vérifier la
validité de ces hypothèses (analyse graphique et/ou tests d’hypothèses).
Lorsque ces hypothèses de l’analyse de la variante sont remises en cause nous devons suivant
le cas:
9 utiliser des méthodes non paramétriques
9 choisir d’autres modeles tel que le modèle linéaire généralisé
9 procéder à une transformation de variables.
Certaines transformations de variable permettent, dans le cas où l’hypothèse d’égalité de la
variante ne serait pas vérifiée, de réduire l’hétérogénéité des variantes.
Les principales transformations de Va:riable utilisées en expérimentation agricole sont :
9 La transformation logarithmique :
Cette transformation permet de stabiliser les variantes lorsqu’elles sont proportionnelles aux
carrés des moyennes. Cette situation est souvent rencontrée dans les processus de croissance
et de multiplication.
9 La transformation racine carree :
Procéder à une telle transformation permet de stabiliser les variantes dans le cas où elles
seraient proportionnelles aux moyennes. Elle est recommandée pour les variables aléatoires
possédant une distribution semblable aux distributions de Poisson. Ainsi, cette tran:sformation
s’adapte bien à des données constituées de nombres entiers pas très élevés ou à des
pourcentages provenant de rapports ayant un même dénominateur et compris exclusivement
entre 0 et 30% ou entre 70 et 100%.
9 La transformation angulaire :
Lorsque la variable aléatoire à étudier possède une distribution binomiale, 1~ ~transf’ormatiotl
arc sinus est bien justifiée. Cette transformation est surtout adaptée aux probler les relatifs aus
proportions couvrant une gamme assiez large (fractions comprises entre 0 et 1 0 t pourcentages
entre 0 et 100%) et données par des rapports à dénominateur constant.
 6 PUISSANCEETDI~NSI~NNEMENTDVJNEEXPEFUMENTATION
Toutes les différences de faculté des différents plans à mettre en évidence des effets de
facteurs étudiés peuvent être expliquées par le calcul de la puissance associée à chaque
comparaison. Le principe général est d’obtenir une résiduelle pour mettre en évidence l’effet
souhaité qui soit la plus faible possible, mais avec un nombre de degrés de libertés suffisant.
Ces deux démarches sont souvent antagonistes.
Cependam ces différents plans d’expérience sont imposés par des contraintes pratiques, ou
une connaissance a priori. de l’homogénéité des unités expérimentales.

6.1 Rappel : test de Fisher lors d’une analyse de variance

Si lors d’une analyse de variante on cherche à tester l’effet d’un facteur A (.nl degrés de
liberté) par rapport à la résiduelle R (n2 degrés de liberté), on effectue le rapport :

aCA4 (carré moyen associé au facteur A)

CM, (estimation de la var iance s2 de la population)

Si ce rapport est égal à 1, alors l’effet A est confondu avec la variabilité de la population, et
est donc déclaré non significatif.
Il faut donc calculer la probabilité que ce rapport soit égal à 1. On sait que cette variable suit
une distribution de Fisher à nl et n2 degrés de liberté.
On peut donc calculer la probabilité que le rapport étudié suive une loi de Fisher d’espérance
égale à 1.
Si la valeur du rapport des carrés moyens est inférieure à la valeur prise par la variable de
Fisher au seuil 5%, alors le rapport peut être assimilé à une variable de Fisher d’espérance 1,
et l’effet A n’est pas significatif.

0.05
;$y;&.&~~n~~.~ : : : : ._,.,”
E ..:..:..$y:..:. -..-.
:.. .:.:.:. ,.: .y: ..-..... .:.:>.:-
.:.:.:.

I&ure 4 : Distribution d’une variable de Fisher

Si par contre la valeur du rapport des carrés moyens est supérieure à la valeur de F au seuil
5%, alors ce n’est pas une variable de Fisher d’espérance 1 et l’effet A est significatif.
----_ --

- 29 -

- -v-1--1
_.___._--.-.-
<--------1-~.--